中圖網(wǎng)小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國(guó)計(jì)算機(jī)等級(jí)考試最新真考題庫(kù)模擬考場(chǎng)及詳解·二級(jí)MSOffice高級(jí)應(yīng)用
-
>
決戰(zhàn)行測(cè)5000題(言語理解與表達(dá))
-
>
軟件性能測(cè)試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
中圖價(jià):¥69.4
加入購(gòu)物車
知識(shí)圖譜:方法.實(shí)踐與應(yīng)用 版權(quán)信息
- ISBN：9787121366710
- 條形碼：9787121366710 ; 978-7-121-36671-0
- 裝幀：平裝-膠訂
- 冊(cè)數(shù)：暫無
- 重量：暫無
- 所屬分類：>
知識(shí)圖譜:方法.實(shí)踐與應(yīng)用 本書特色
知識(shí)圖譜是較為典型的多學(xué)科交叉領(lǐng)域，涉及知識(shí)工程、自然語言處理、機(jī)器學(xué)習(xí)、圖數(shù)據(jù)庫(kù)等多個(gè)領(lǐng)域。本書系統(tǒng)地介紹知識(shí)圖譜涉及的關(guān)鍵技術(shù)，如知識(shí)建模、關(guān)系抽取、圖存儲(chǔ)、自動(dòng)推理、圖譜表示學(xué)習(xí)、語義搜索、知識(shí)問答、圖挖掘分析等。此外，本書還嘗試將學(xué)術(shù)前沿和實(shí)戰(zhàn)結(jié)合，讓讀者在掌握實(shí)際應(yīng)用能力的同時(shí)對(duì)前沿技術(shù)發(fā)展有所了解。本書既適合計(jì)算機(jī)和人工智能相關(guān)的研究人員閱讀，又適合在企業(yè)一線從事技術(shù)和應(yīng)用開發(fā)的人員學(xué)習(xí)，還可作為高等院校計(jì)算機(jī)或人工智能專業(yè)師生的參考教材。
知識(shí)圖譜:方法.實(shí)踐與應(yīng)用 內(nèi)容簡(jiǎn)介
知識(shí)圖譜是較為典型的多學(xué)科交叉領(lǐng)域，涉及知識(shí)工程、自然語言處理、機(jī)器學(xué)習(xí)、圖數(shù)據(jù)庫(kù)等多個(gè)領(lǐng)域。本書系統(tǒng)地介紹知識(shí)圖譜涉及的關(guān)鍵技術(shù)，如知識(shí)建模、關(guān)系抽取、圖存儲(chǔ)、自動(dòng)推理、圖譜表示學(xué)習(xí)、語義搜索、知識(shí)問答、圖挖掘分析等。此外，本書還嘗試將學(xué)術(shù)前沿和實(shí)戰(zhàn)結(jié)合，讓讀者在掌握實(shí)際應(yīng)用能力的同時(shí)對(duì)前沿技術(shù)發(fā)展有所了解。本書既適合計(jì)算機(jī)和人工智能相關(guān)的研究人員閱讀，又適合在企業(yè)一線從事技術(shù)和應(yīng)用開發(fā)的人員學(xué)習(xí)，還可作為高等院校計(jì)算機(jī)或人工智能專業(yè)師生的參考教材。
知識(shí)圖譜:方法.實(shí)踐與應(yīng)用 目錄
第1章 知識(shí)圖譜概述 1
1.1 什么是知識(shí)圖譜 1
1.2 知識(shí)圖譜的發(fā)展歷史 2
1.3 知識(shí)圖譜的價(jià)值 5
1.4 國(guó)內(nèi)外典型的知識(shí)圖譜項(xiàng)目 9
1.4.1 早期的知識(shí)庫(kù)項(xiàng)目 9
1.4.2 互聯(lián)網(wǎng)時(shí)代的知識(shí)圖譜 9
1.4.3 中文開放知識(shí)圖譜 12
1.4.4 垂直領(lǐng)域知識(shí)圖譜 13
1.5 知識(shí)圖譜的技術(shù)流程 15
1.6 知識(shí)圖譜的相關(guān)技術(shù) 19
1.6.1 知識(shí)圖譜與數(shù)據(jù)庫(kù)系統(tǒng) 19
1.6.2 知識(shí)圖譜與智能問答 23
1.6.3 知識(shí)圖譜與機(jī)器推理 25
1.6.4 知識(shí)圖譜與推薦系統(tǒng) 28
1.6.5 區(qū)塊鏈與去中心化的知識(shí)圖譜 29
1.7 本章小結(jié) 30
參考文獻(xiàn) 31
第2章 知識(shí)圖譜表示與建模 40
2.1 什么是知識(shí)表示 40
2.2 人工智能早期的知識(shí)表示方法 43
2.2.1 一階謂詞邏輯 43
2.2.2 霍恩子句和霍恩邏輯 43
2.2.3 語義網(wǎng)絡(luò) 44
2.2.4 框架 45
2.2.5 描述邏輯 47
2.3 互聯(lián)網(wǎng)時(shí)代的語義網(wǎng)知識(shí)表示框架 48
2.3.1 RDF和RDFS 48
2.3.2 OWL和OWL2 Fragments 53
2.3.3 知識(shí)圖譜查詢語言的表示 59
2.3.4 語義Markup表示語言 62
2.4 常見開放域知識(shí)圖譜的知識(shí)表示方法 64
2.4.1 Freebase 64
2.4.2 Wikidata 65
2.4.3 ConceptNet5 66
2.5 知識(shí)圖譜的向量表示方法 68
2.5.1 知識(shí)圖譜表示的挑戰(zhàn) 68
2.5.2 詞的向量表示方法 68
2.5.3 知識(shí)圖譜嵌入的概念 71
2.5.4 知識(shí)圖譜嵌入的優(yōu)點(diǎn) 72
2.5.5 知識(shí)圖譜嵌入的主要方法 72
2.5.6 知識(shí)圖譜嵌入的應(yīng)用 75
2.6 開源工具實(shí)踐：基于Protégé的本體知識(shí)建模 77
2.6.1 簡(jiǎn)介 77
2.6.2 環(huán)境準(zhǔn)備 78
2.6.3 Protégé實(shí)踐主要功能演示 78
2.7 本章小結(jié) 80
參考文獻(xiàn) 80
第3章 知識(shí)存儲(chǔ) 82
3.1 知識(shí)圖譜數(shù)據(jù)庫(kù)基本知識(shí) 82
3.1.1 知識(shí)圖譜數(shù)據(jù)模型 82
3.1.2 知識(shí)圖譜查詢語言 85
3.2 常見知識(shí)圖譜存儲(chǔ)方法 91
3.2.1 基于關(guān)系數(shù)據(jù)庫(kù)的存儲(chǔ)方案 91
3.2.2 面向RDF的三元組數(shù)據(jù)庫(kù) 101
3.2.3 原生圖數(shù)據(jù)庫(kù) 115
3.2.4 知識(shí)圖譜數(shù)據(jù)庫(kù)比較 120
3.3 知識(shí)存儲(chǔ)關(guān)鍵技術(shù) 121
3.3.1 知識(shí)圖譜數(shù)據(jù)庫(kù)的存儲(chǔ)：以Neo4j為例 121
3.3.2 知識(shí)圖譜數(shù)據(jù)庫(kù)的索引 124
3.4 開源工具實(shí)踐 126
3.4.1 三元組數(shù)據(jù)庫(kù)Apache Jena 126
3.4.2 Tutorial：面向RDF的三元組數(shù)據(jù)庫(kù)gStore 128
參考文獻(xiàn) 131
第4章 知識(shí)抽取與知識(shí)挖掘 133
4.1 知識(shí)抽取任務(wù)及相關(guān)競(jìng)賽 133
4.1.1 知識(shí)抽取任務(wù)定義 133
4.1.2 知識(shí)抽取相關(guān)競(jìng)賽 134
4.2 面向非結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取 136
4.2.1 實(shí)體抽取 137
4.2.2 關(guān)系抽取 142
4.2.3 事件抽取 150
4.3 面向結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取 154
4.3.1 直接映射 154
4.3.2 R2RML 156
4.3.3 相關(guān)工具 159
4.4 面向半結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取 161
4.4.1 面向百科類數(shù)據(jù)的知識(shí)抽取 161
4.4.2 面向Web網(wǎng)頁的知識(shí)抽取 165
4.5 知識(shí)挖掘 168
4.5.1 知識(shí)內(nèi)容挖掘：實(shí)體鏈接 168
4.5.2 知識(shí)結(jié)構(gòu)挖掘：規(guī)則挖掘 174
4.6 開源工具實(shí)踐：基于DeepDive的關(guān)系抽取實(shí)踐 178
4.6.1 開源工具的技術(shù)架構(gòu) 178
4.6.2 其他類似工具 180
參考文獻(xiàn) 180
第5章 知識(shí)圖譜的融合 184
5.1 什么是知識(shí)圖譜融合 184
5.2 知識(shí)圖譜中的異構(gòu)問題 185
5.2.1 語言層不匹配 186
5.2.2 模型層不匹配 187
5.3 本體概念層的融合方法與技術(shù) 190
5.3.1 本體映射與本體集成 190
5.3.2 本體映射分類 192
5.3.3 本體映射方法和工具 195
5.3.4 本體映射管理 232
5.3.5 本體映射應(yīng)用 235
5.4 實(shí)例層的融合與匹配 236
5.4.1 知識(shí)圖譜中的實(shí)例匹配問題分析 236
5.4.2 基于快速相似度計(jì)算的實(shí)例匹配方法 240
5.4.3 基于規(guī)則的實(shí)例匹配方法 241
5.4.4 基于分治的實(shí)例匹配方法 244
5.4.5 基于學(xué)習(xí)的實(shí)例匹配方法 260
5.4.6 實(shí)例匹配中的分布式并行處理 266
5.5 開源工具實(shí)踐：實(shí)體關(guān)系發(fā)現(xiàn)框架LIMES 266
5.5.1 簡(jiǎn)介 266
5.5.2 開源工具的技術(shù)架構(gòu) 267
5.5.3 其他類似工具 269
5.6 本章小結(jié) 269
參考文獻(xiàn) 270
第6章 知識(shí)圖譜推理 279
6.1 推理概述 279
6.1.1 什么是推理 279
6.1.2 面向知識(shí)圖譜的推理 282
6.2 基于演繹的知識(shí)圖譜推理 283
6.2.1 本體推理 283
6.2.2 基于邏輯編程的推理方法 288
6.2.3 基于查詢重寫的方法 295
6.2.4 基于產(chǎn)生式規(guī)則的方法 301
6.3 基于歸納的知識(shí)圖譜推理 306
6.3.1 基于圖結(jié)構(gòu)的推理 306
6.3.2 基于規(guī)則學(xué)習(xí)的推理 313
6.3.3 基于表示學(xué)習(xí)的推理 318
6.4 知識(shí)圖譜推理新進(jìn)展 324
6.4.1 時(shí)序預(yù)測(cè)推理 324
6.4.2 基于強(qiáng)化學(xué)習(xí)的知識(shí)圖譜推理 325
6.4.3 基于元學(xué)習(xí)的少樣本知識(shí)圖譜推理 326
6.4.4 圖神經(jīng)網(wǎng)絡(luò)與知識(shí)圖譜推理 326
6.5 開源工具實(shí)踐：基于Jena和Drools的知識(shí)推理實(shí)踐 327
6.5.1 開源工具簡(jiǎn)介 327
6.5.2 開源工具的技術(shù)架構(gòu) 327
6.5.3 開發(fā)軟件版本及其下載地址 328
6.5.4 基于Jena的知識(shí)推理實(shí)踐 328
6.5.5 基于Drools的知識(shí)推理實(shí)踐 329
6.6 本章小結(jié) 329
參考文獻(xiàn) 330
第7章 語義搜索 334
7.1 語義搜索簡(jiǎn)介 334
7.2 結(jié)構(gòu)化的查詢語言 336
7.2.1 數(shù)據(jù)查詢 338
7.2.2 數(shù)據(jù)插入 341
7.2.3 數(shù)據(jù)刪除 341
7.3 語義數(shù)據(jù)搜索 342
7.4 語義搜索的交互范式 348
7.4.1 基于關(guān)鍵詞的知識(shí)圖譜語義搜索方法 348
7.4.2 基于分面的知識(shí)圖譜語義搜索 350
7.4.3 基于表示學(xué)習(xí)的知識(shí)圖譜語義搜索 352
7.5 開源工具實(shí)踐 355
7.5.1 功能介紹 355
7.5.2 環(huán)境搭建及數(shù)據(jù)準(zhǔn)備 357
7.5.3 數(shù)據(jù)準(zhǔn)備 357
7.5.4 導(dǎo)入Elasticsearch 360
7.5.5 功能實(shí)現(xiàn) (views.py) 361
7.5.6 執(zhí)行查詢 363
參考文獻(xiàn) 364
第8章 知識(shí)問答 366
8.1 知識(shí)問答概述 366
8.1.1 知識(shí)問答的基本要素 366
8.1.2 知識(shí)問答的相關(guān)工作 367
8.1.3 知識(shí)問答應(yīng)用場(chǎng)景 369
8.2 知識(shí)問答的分類體系 371
8.2.1 問題類型與答案類型 371
8.2.2 知識(shí)庫(kù)類型 374
8.2.3 智能體類型 375
8.3 知識(shí)問答系統(tǒng) 376
8.3.1 NLIDB：早期的問答系統(tǒng) 376
8.3.2 IRQA：基于信息檢索的問答系統(tǒng) 380
8.3.3 KBQA ：基于知識(shí)庫(kù)的問答系統(tǒng) 380
8.3.4 CommunityQA/FAQ-QA：基于問答對(duì)匹配的問答系統(tǒng) 381
8.3.5 Hybrid QA Framework 混合問答系統(tǒng)框架 382
8.4 知識(shí)問答的評(píng)價(jià)方法 386
8.4.1 問答系統(tǒng)的評(píng)價(jià)指標(biāo) 386
8.4.2 問答系統(tǒng)的評(píng)價(jià)數(shù)據(jù)集 387
8.5 KBQA前沿技術(shù) 392
8.5.1 KBQA面臨的挑戰(zhàn) 392
8.5.2 基于模板的方法 394
8.5.3 基于語義解析的方法 398
8.5.4 基于深度學(xué)習(xí)的傳統(tǒng)問答模塊優(yōu)化 401
8.5.5 基于深度學(xué)習(xí)的端到端問答模型 405
8.6 開源工具實(shí)踐 406
8.6.1 使用Elasticsearch搭建簡(jiǎn)單知識(shí)問答系統(tǒng) 406
8.6.2 基于gAnswer構(gòu)建中英文知識(shí)問答系統(tǒng) 410
8.7 本章小結(jié) 415
參考文獻(xiàn) 416
第9章 知識(shí)圖譜應(yīng)用案例 420
9.1 領(lǐng)域知識(shí)圖譜構(gòu)建的技術(shù)流程 420
9.1.1 領(lǐng)域知識(shí)建模 421
9.1.2 知識(shí)存儲(chǔ) 422
9.1.3 知識(shí)抽取 422
9.1.4 知識(shí)融合 423
9.1.5 知識(shí)計(jì)算 423
9.1.6 知識(shí)應(yīng)用 424
9.2 領(lǐng)域知識(shí)圖譜構(gòu)建的基本方法 425
9.2.1 自頂向下的構(gòu)建方法 425
9.2.2 自頂向下的構(gòu)建方法 426
9.3 領(lǐng)域知識(shí)圖譜的應(yīng)用案例 428
9.3.1 電商知識(shí)圖譜的構(gòu)建與應(yīng)用 428
9.3.2 圖情知識(shí)圖譜的構(gòu)建與應(yīng)用 431
9.3.3 生活?yuàn)蕵分R(shí)圖譜構(gòu)建與應(yīng)用：以美團(tuán)為例 435
9.3.4 企業(yè)商業(yè)知識(shí)圖譜的構(gòu)建與應(yīng)用 440
9.3.5 創(chuàng)投知識(shí)圖譜的構(gòu)建與應(yīng)用 443
9.3.6 中醫(yī)臨床領(lǐng)域知識(shí)圖譜的構(gòu)建與應(yīng)用 448
9.3.7 金融證券行業(yè)知識(shí)圖譜應(yīng)用實(shí)踐 452
9.4 本章小結(jié) 460
參考文獻(xiàn) 461
1.1 什么是知識(shí)圖譜 1
1.2 知識(shí)圖譜的發(fā)展歷史 2
1.3 知識(shí)圖譜的價(jià)值 5
1.4 國(guó)內(nèi)外典型的知識(shí)圖譜項(xiàng)目 9
1.4.1 早期的知識(shí)庫(kù)項(xiàng)目 9
1.4.2 互聯(lián)網(wǎng)時(shí)代的知識(shí)圖譜 9
1.4.3 中文開放知識(shí)圖譜 12
1.4.4 垂直領(lǐng)域知識(shí)圖譜 13
1.5 知識(shí)圖譜的技術(shù)流程 15
1.6 知識(shí)圖譜的相關(guān)技術(shù) 19
1.6.1 知識(shí)圖譜與數(shù)據(jù)庫(kù)系統(tǒng) 19
1.6.2 知識(shí)圖譜與智能問答 23
1.6.3 知識(shí)圖譜與機(jī)器推理 25
1.6.4 知識(shí)圖譜與推薦系統(tǒng) 28
1.6.5 區(qū)塊鏈與去中心化的知識(shí)圖譜 29
1.7 本章小結(jié) 30
參考文獻(xiàn) 31
第2章 知識(shí)圖譜表示與建模 40
2.1 什么是知識(shí)表示 40
2.2 人工智能早期的知識(shí)表示方法 43
2.2.1 一階謂詞邏輯 43
2.2.2 霍恩子句和霍恩邏輯 43
2.2.3 語義網(wǎng)絡(luò) 44
2.2.4 框架 45
2.2.5 描述邏輯 47
2.3 互聯(lián)網(wǎng)時(shí)代的語義網(wǎng)知識(shí)表示框架 48
2.3.1 RDF和RDFS 48
2.3.2 OWL和OWL2 Fragments 53
2.3.3 知識(shí)圖譜查詢語言的表示 59
2.3.4 語義Markup表示語言 62
2.4 常見開放域知識(shí)圖譜的知識(shí)表示方法 64
2.4.1 Freebase 64
2.4.2 Wikidata 65
2.4.3 ConceptNet5 66
2.5 知識(shí)圖譜的向量表示方法 68
2.5.1 知識(shí)圖譜表示的挑戰(zhàn) 68
2.5.2 詞的向量表示方法 68
2.5.3 知識(shí)圖譜嵌入的概念 71
2.5.4 知識(shí)圖譜嵌入的優(yōu)點(diǎn) 72
2.5.5 知識(shí)圖譜嵌入的主要方法 72
2.5.6 知識(shí)圖譜嵌入的應(yīng)用 75
2.6 開源工具實(shí)踐：基于Protégé的本體知識(shí)建模 77
2.6.1 簡(jiǎn)介 77
2.6.2 環(huán)境準(zhǔn)備 78
2.6.3 Protégé實(shí)踐主要功能演示 78
2.7 本章小結(jié) 80
參考文獻(xiàn) 80
第3章 知識(shí)存儲(chǔ) 82
3.1 知識(shí)圖譜數(shù)據(jù)庫(kù)基本知識(shí) 82
3.1.1 知識(shí)圖譜數(shù)據(jù)模型 82
3.1.2 知識(shí)圖譜查詢語言 85
3.2 常見知識(shí)圖譜存儲(chǔ)方法 91
3.2.1 基于關(guān)系數(shù)據(jù)庫(kù)的存儲(chǔ)方案 91
3.2.2 面向RDF的三元組數(shù)據(jù)庫(kù) 101
3.2.3 原生圖數(shù)據(jù)庫(kù) 115
3.2.4 知識(shí)圖譜數(shù)據(jù)庫(kù)比較 120
3.3 知識(shí)存儲(chǔ)關(guān)鍵技術(shù) 121
3.3.1 知識(shí)圖譜數(shù)據(jù)庫(kù)的存儲(chǔ)：以Neo4j為例 121
3.3.2 知識(shí)圖譜數(shù)據(jù)庫(kù)的索引 124
3.4 開源工具實(shí)踐 126
3.4.1 三元組數(shù)據(jù)庫(kù)Apache Jena 126
3.4.2 Tutorial：面向RDF的三元組數(shù)據(jù)庫(kù)gStore 128
參考文獻(xiàn) 131
第4章 知識(shí)抽取與知識(shí)挖掘 133
4.1 知識(shí)抽取任務(wù)及相關(guān)競(jìng)賽 133
4.1.1 知識(shí)抽取任務(wù)定義 133
4.1.2 知識(shí)抽取相關(guān)競(jìng)賽 134
4.2 面向非結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取 136
4.2.1 實(shí)體抽取 137
4.2.2 關(guān)系抽取 142
4.2.3 事件抽取 150
4.3 面向結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取 154
4.3.1 直接映射 154
4.3.2 R2RML 156
4.3.3 相關(guān)工具 159
4.4 面向半結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取 161
4.4.1 面向百科類數(shù)據(jù)的知識(shí)抽取 161
4.4.2 面向Web網(wǎng)頁的知識(shí)抽取 165
4.5 知識(shí)挖掘 168
4.5.1 知識(shí)內(nèi)容挖掘：實(shí)體鏈接 168
4.5.2 知識(shí)結(jié)構(gòu)挖掘：規(guī)則挖掘 174
4.6 開源工具實(shí)踐：基于DeepDive的關(guān)系抽取實(shí)踐 178
4.6.1 開源工具的技術(shù)架構(gòu) 178
4.6.2 其他類似工具 180
參考文獻(xiàn) 180
第5章 知識(shí)圖譜的融合 184
5.1 什么是知識(shí)圖譜融合 184
5.2 知識(shí)圖譜中的異構(gòu)問題 185
5.2.1 語言層不匹配 186
5.2.2 模型層不匹配 187
5.3 本體概念層的融合方法與技術(shù) 190
5.3.1 本體映射與本體集成 190
5.3.2 本體映射分類 192
5.3.3 本體映射方法和工具 195
5.3.4 本體映射管理 232
5.3.5 本體映射應(yīng)用 235
5.4 實(shí)例層的融合與匹配 236
5.4.1 知識(shí)圖譜中的實(shí)例匹配問題分析 236
5.4.2 基于快速相似度計(jì)算的實(shí)例匹配方法 240
5.4.3 基于規(guī)則的實(shí)例匹配方法 241
5.4.4 基于分治的實(shí)例匹配方法 244
5.4.5 基于學(xué)習(xí)的實(shí)例匹配方法 260
5.4.6 實(shí)例匹配中的分布式并行處理 266
5.5 開源工具實(shí)踐：實(shí)體關(guān)系發(fā)現(xiàn)框架LIMES 266
5.5.1 簡(jiǎn)介 266
5.5.2 開源工具的技術(shù)架構(gòu) 267
5.5.3 其他類似工具 269
5.6 本章小結(jié) 269
參考文獻(xiàn) 270
第6章 知識(shí)圖譜推理 279
6.1 推理概述 279
6.1.1 什么是推理 279
6.1.2 面向知識(shí)圖譜的推理 282
6.2 基于演繹的知識(shí)圖譜推理 283
6.2.1 本體推理 283
6.2.2 基于邏輯編程的推理方法 288
6.2.3 基于查詢重寫的方法 295
6.2.4 基于產(chǎn)生式規(guī)則的方法 301
6.3 基于歸納的知識(shí)圖譜推理 306
6.3.1 基于圖結(jié)構(gòu)的推理 306
6.3.2 基于規(guī)則學(xué)習(xí)的推理 313
6.3.3 基于表示學(xué)習(xí)的推理 318
6.4 知識(shí)圖譜推理新進(jìn)展 324
6.4.1 時(shí)序預(yù)測(cè)推理 324
6.4.2 基于強(qiáng)化學(xué)習(xí)的知識(shí)圖譜推理 325
6.4.3 基于元學(xué)習(xí)的少樣本知識(shí)圖譜推理 326
6.4.4 圖神經(jīng)網(wǎng)絡(luò)與知識(shí)圖譜推理 326
6.5 開源工具實(shí)踐：基于Jena和Drools的知識(shí)推理實(shí)踐 327
6.5.1 開源工具簡(jiǎn)介 327
6.5.2 開源工具的技術(shù)架構(gòu) 327
6.5.3 開發(fā)軟件版本及其下載地址 328
6.5.4 基于Jena的知識(shí)推理實(shí)踐 328
6.5.5 基于Drools的知識(shí)推理實(shí)踐 329
6.6 本章小結(jié) 329
參考文獻(xiàn) 330
第7章 語義搜索 334
7.1 語義搜索簡(jiǎn)介 334
7.2 結(jié)構(gòu)化的查詢語言 336
7.2.1 數(shù)據(jù)查詢 338
7.2.2 數(shù)據(jù)插入 341
7.2.3 數(shù)據(jù)刪除 341
7.3 語義數(shù)據(jù)搜索 342
7.4 語義搜索的交互范式 348
7.4.1 基于關(guān)鍵詞的知識(shí)圖譜語義搜索方法 348
7.4.2 基于分面的知識(shí)圖譜語義搜索 350
7.4.3 基于表示學(xué)習(xí)的知識(shí)圖譜語義搜索 352
7.5 開源工具實(shí)踐 355
7.5.1 功能介紹 355
7.5.2 環(huán)境搭建及數(shù)據(jù)準(zhǔn)備 357
7.5.3 數(shù)據(jù)準(zhǔn)備 357
7.5.4 導(dǎo)入Elasticsearch 360
7.5.5 功能實(shí)現(xiàn) (views.py) 361
7.5.6 執(zhí)行查詢 363
參考文獻(xiàn) 364
第8章 知識(shí)問答 366
8.1 知識(shí)問答概述 366
8.1.1 知識(shí)問答的基本要素 366
8.1.2 知識(shí)問答的相關(guān)工作 367
8.1.3 知識(shí)問答應(yīng)用場(chǎng)景 369
8.2 知識(shí)問答的分類體系 371
8.2.1 問題類型與答案類型 371
8.2.2 知識(shí)庫(kù)類型 374
8.2.3 智能體類型 375
8.3 知識(shí)問答系統(tǒng) 376
8.3.1 NLIDB：早期的問答系統(tǒng) 376
8.3.2 IRQA：基于信息檢索的問答系統(tǒng) 380
8.3.3 KBQA ：基于知識(shí)庫(kù)的問答系統(tǒng) 380
8.3.4 CommunityQA/FAQ-QA：基于問答對(duì)匹配的問答系統(tǒng) 381
8.3.5 Hybrid QA Framework 混合問答系統(tǒng)框架 382
8.4 知識(shí)問答的評(píng)價(jià)方法 386
8.4.1 問答系統(tǒng)的評(píng)價(jià)指標(biāo) 386
8.4.2 問答系統(tǒng)的評(píng)價(jià)數(shù)據(jù)集 387
8.5 KBQA前沿技術(shù) 392
8.5.1 KBQA面臨的挑戰(zhàn) 392
8.5.2 基于模板的方法 394
8.5.3 基于語義解析的方法 398
8.5.4 基于深度學(xué)習(xí)的傳統(tǒng)問答模塊優(yōu)化 401
8.5.5 基于深度學(xué)習(xí)的端到端問答模型 405
8.6 開源工具實(shí)踐 406
8.6.1 使用Elasticsearch搭建簡(jiǎn)單知識(shí)問答系統(tǒng) 406
8.6.2 基于gAnswer構(gòu)建中英文知識(shí)問答系統(tǒng) 410
8.7 本章小結(jié) 415
參考文獻(xiàn) 416
第9章 知識(shí)圖譜應(yīng)用案例 420
9.1 領(lǐng)域知識(shí)圖譜構(gòu)建的技術(shù)流程 420
9.1.1 領(lǐng)域知識(shí)建模 421
9.1.2 知識(shí)存儲(chǔ) 422
9.1.3 知識(shí)抽取 422
9.1.4 知識(shí)融合 423
9.1.5 知識(shí)計(jì)算 423
9.1.6 知識(shí)應(yīng)用 424
9.2 領(lǐng)域知識(shí)圖譜構(gòu)建的基本方法 425
9.2.1 自頂向下的構(gòu)建方法 425
9.2.2 自頂向下的構(gòu)建方法 426
9.3 領(lǐng)域知識(shí)圖譜的應(yīng)用案例 428
9.3.1 電商知識(shí)圖譜的構(gòu)建與應(yīng)用 428
9.3.2 圖情知識(shí)圖譜的構(gòu)建與應(yīng)用 431
9.3.3 生活?yuàn)蕵分R(shí)圖譜構(gòu)建與應(yīng)用：以美團(tuán)為例 435
9.3.4 企業(yè)商業(yè)知識(shí)圖譜的構(gòu)建與應(yīng)用 440
9.3.5 創(chuàng)投知識(shí)圖譜的構(gòu)建與應(yīng)用 443
9.3.6 中醫(yī)臨床領(lǐng)域知識(shí)圖譜的構(gòu)建與應(yīng)用 448
9.3.7 金融證券行業(yè)知識(shí)圖譜應(yīng)用實(shí)踐 452
9.4 本章小結(jié) 460
參考文獻(xiàn) 461
展開全部
知識(shí)圖譜:方法.實(shí)踐與應(yīng)用 作者簡(jiǎn)介
王昊奮，上海交通大學(xué)計(jì)算機(jī)博士。中文知識(shí)圖譜zhishi.me創(chuàng)始人、OpenKG發(fā)起人之一、CCF理事、CCF術(shù)語審定工委主任、CCF TF執(zhí)委、中文信息學(xué)會(huì)語言與知識(shí)計(jì)算專委會(huì)副秘書長(zhǎng)、上海交通大學(xué)校友會(huì)AI分會(huì)秘書長(zhǎng)。在知識(shí)圖譜、問答系統(tǒng)和聊天機(jī)器人等諸多領(lǐng)域有豐富的研發(fā)經(jīng)驗(yàn)。
漆桂林，東南大學(xué)計(jì)算機(jī)學(xué)院教授、東南大學(xué)認(rèn)知智能研究所所長(zhǎng)、南京柯基數(shù)據(jù)科技有限公司首席科學(xué)家、OpenKG發(fā)起人之一、中國(guó)中文信息學(xué)會(huì)語言與知識(shí)計(jì)算專業(yè)委員會(huì)副主任、中國(guó)科學(xué)技術(shù)情報(bào)學(xué)會(huì)知識(shí)組織專業(yè)委員會(huì)副主任、愛思唯爾（Elsevier）數(shù)據(jù)管理顧問委員會(huì)顧問、國(guó)際期刊 Journal of Data Intelligence 執(zhí)行主編。科研成果在電力故障智能檢測(cè)和知識(shí)推送、醫(yī)藥知識(shí)問答及網(wǎng)絡(luò)安全態(tài)勢(shì)感知系統(tǒng)等領(lǐng)域得到了實(shí)際應(yīng)用。
陳華鈞，浙江大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院教授。浙江大學(xué)阿里巴巴知識(shí)引擎聯(lián)合實(shí)驗(yàn)室負(fù)責(zé)人、浙江省大數(shù)據(jù)智能計(jì)算重點(diǎn)實(shí)驗(yàn)室副主任、中國(guó)人工智能學(xué)會(huì)知識(shí)工程與分布智能專業(yè)委員會(huì)副主任委員、中國(guó)中文信息學(xué)會(huì)語言與知識(shí)計(jì)算專業(yè)委員會(huì)副主任委員、OpenKG發(fā)起人。曾獲國(guó)際語義網(wǎng)會(huì)議ISWC最佳論文獎(jiǎng)。王昊奮，上海交通大學(xué)計(jì)算機(jī)博士。中文知識(shí)圖譜zhishi.me創(chuàng)始人、OpenKG發(fā)起人之一、CCF理事、CCF術(shù)語審定工委主任、CCF TF執(zhí)委、中文信息學(xué)會(huì)語言與知識(shí)計(jì)算專委會(huì)副秘書長(zhǎng)、上海交通大學(xué)校友會(huì)AI分會(huì)秘書長(zhǎng)。在知識(shí)圖譜、問答系統(tǒng)和聊天機(jī)器人等諸多領(lǐng)域有豐富的研發(fā)經(jīng)驗(yàn)。
漆桂林，東南大學(xué)計(jì)算機(jī)學(xué)院教授、東南大學(xué)認(rèn)知智能研究所所長(zhǎng)、南京柯基數(shù)據(jù)科技有限公司首席科學(xué)家、OpenKG發(fā)起人之一、中國(guó)中文信息學(xué)會(huì)語言與知識(shí)計(jì)算專業(yè)委員會(huì)副主任、中國(guó)科學(xué)技術(shù)情報(bào)學(xué)會(huì)知識(shí)組織專業(yè)委員會(huì)副主任、愛思唯爾（Elsevier）數(shù)據(jù)管理顧問委員會(huì)顧問、國(guó)際期刊 Journal of Data Intelligence 執(zhí)行主編。科研成果在電力故障智能檢測(cè)和知識(shí)推送、醫(yī)藥知識(shí)問答及網(wǎng)絡(luò)安全態(tài)勢(shì)感知系統(tǒng)等領(lǐng)域得到了實(shí)際應(yīng)用。
陳華鈞，浙江大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院教授。浙江大學(xué)阿里巴巴知識(shí)引擎聯(lián)合實(shí)驗(yàn)室負(fù)責(zé)人、浙江省大數(shù)據(jù)智能計(jì)算重點(diǎn)實(shí)驗(yàn)室副主任、中國(guó)人工智能學(xué)會(huì)知識(shí)工程與分布智能專業(yè)委員會(huì)副主任委員、中國(guó)中文信息學(xué)會(huì)語言與知識(shí)計(jì)算專業(yè)委員會(huì)副主任委員、OpenKG發(fā)起人。曾獲國(guó)際語義網(wǎng)會(huì)議ISWC最佳論文獎(jiǎng)。
書友推薦
- >
月亮與六便士
- >
史學(xué)評(píng)論
- >
隨園食單
- >
小考拉的故事-套裝共3冊(cè)
- >
姑媽的寶刀
- >
月亮虎
- >
新文學(xué)天穹兩巨星--魯迅與胡適/紅燭學(xué)術(shù)叢書(紅燭學(xué)術(shù)叢書)
- >
中國(guó)人在烏蘇里邊疆區(qū):歷史與人類學(xué)概述
本類暢銷
